Statistiken und Big Data time-series

2

Was sind die einfachsten Saisonalitätstests für Zeitreihen? Um genauer zu sein, möchte ich testen, ob in specific time series the seasonal componentsinnvoll ist. Was sind die empfohlenen Pakete in Python / R?

9 r time-series hypothesis-testing python seasonality

1

Wenn das Quadrat einer Zeitreihe stationär ist, ist die ursprüngliche Zeitreihe stationär?

Ich habe eine Lösung gefunden, die besagt, dass wenn das Quadrat einer Zeitreihe stationär ist, auch die ursprüngliche Zeitreihe und umgekehrt. Wie auch immer ich es nicht beweisen kann, hat jemand eine Idee, ob dies wahr ist und wie es abgeleitet werden kann?

9 time-series self-study data-transformation stationarity

3

Vorhersage mehrerer Perioden mit maschinellem Lernen

Ich habe kürzlich mein Wissen über Zeitreihen zusammengefasst und festgestellt, dass maschinelles Lernen meist nur einen Schritt voraus ist. Mit One-Step-Ahead-Prognosen meine ich Prognosen, die beispielsweise, wenn wir stündliche Daten haben, die Daten von 10 Uhr morgens bis 11 Uhr morgens und 11 Uhr morgens für 12 Uhr morgens usw. …

9 machine-learning time-series forecasting arima

1

Bedingungen für das zyklische Verhalten des ARIMA-Modells

Ich versuche, eine Zeitreihe zu modellieren und vorherzusagen, die eher zyklisch als saisonal ist (dh es gibt saisonale Muster, aber nicht mit einem festen Zeitraum). Dies sollte mithilfe eines ARIMA-Modells möglich sein, wie in Abschnitt 8.5 der Prognose erwähnt: Grundsätze und Praxis : Der Wert von ist wichtig, wenn die …

9 time-series forecasting arima seasonality

1

Wie kann ich verrauschte Patches in einer Zeitreihe hervorheben?

Ich habe viele Zeitreihendaten - Wasserstände und Geschwindigkeiten gegen die Zeit. Es ist die Ausgabe einer hydraulischen Modellsimulation. Als Teil des Überprüfungsprozesses, um zu bestätigen, dass das Modell die erwartete Leistung erbringt, muss ich jede Zeitreihe zeichnen, um sicherzustellen, dass die Daten keine "Wackelbewegungen" enthalten (siehe Beispiel für geringfügiges Wackeln …

9 time-series data-visualization change-point

1

Warum arbeiten meine VAR-Modelle besser mit nichtstationären Daten als mit stationären Daten?

Ich verwende die VAR-Bibliothek für Python-Statistikmodelle, um finanzielle Zeitreihendaten zu modellieren, und einige Ergebnisse haben mich verwirrt. Ich weiß, dass VAR-Modelle davon ausgehen, dass die Zeitreihendaten stationär sind. Ich habe versehentlich eine instationäre Reihe von Log-Preisen für zwei verschiedene Wertpapiere angepasst, und überraschenderweise waren die angepassten Werte und Prognosen in …

9 time-series forecasting r-squared var stationarity

1

Bayesianische Online-Änderungspunkterkennung (marginale prädiktive Verteilung)

Ich lese das Bayesian Online Changepoint Detection Paper von Adams und MacKay ( Link ). Die Autoren schreiben zunächst die marginale Vorhersageverteilung: wobeiP(xt+1|x1:t)=∑rtP(xt+1|rt,x(r)t)P(rt|x1:t)(1)P(xt+1|x1:t)=∑rtP(xt+1|rt,xt(r))P(rt|x1:t)(1) P(x_{t+1} | \textbf{x}_{1:t}) = \sum_{r_t} P(x_{t+1} | r_t, \textbf{x}_t^{(r)}) P(r_t | \textbf{x}_{1:t}) \qquad \qquad (1) xtxtx_t ist die Beobachtung zum Zeitpunkt ;ttt x1:tx1:t\textbf{x}_{1:t} bezeichnet die Menge der …

9 time-series bayesian inference change-point

1

Zeitreihenvorhersage mit ARIMA vs LSTM

Das Problem, mit dem ich mich befasse, ist die Vorhersage von Zeitreihenwerten. Ich betrachte jeweils eine Zeitreihe und möchte anhand von beispielsweise 15% der Eingabedaten die zukünftigen Werte vorhersagen. Bisher bin ich auf zwei Modelle gestoßen: LSTM (Langzeit-Kurzzeitgedächtnis; eine Klasse wiederkehrender neuronaler Netze) ARIMA Ich habe beide ausprobiert und einige …

9 time-series forecasting references arima lstm

2

Neuere Beobachtungen in der Regression stärker gewichten

Wie ordne ich neueren Beobachtungen in R mehr Gewicht zu? Ich nehme dies als häufig gestellte Frage oder Wunsch an, aber es fällt mir schwer, genau herauszufinden, wie ich dies umsetzen soll. Ich habe versucht, viel danach zu suchen, aber ich kann kein gutes praktisches Beispiel finden. In meinem Beispiel …

9 r time-series regression random-forest

2

Warum werden Informationskriterien (nicht angepasstes

In Zeitreihenmodellen wie ARMA-GARCH werden zur Auswahl einer geeigneten Verzögerung oder Reihenfolge des Modells verschiedene Informationskriterien wie AIC, BIC, SIC usw. verwendet. Meine Frage ist sehr einfach: Warum verwenden wir nicht angepasstes , um ein geeignetes Modell auszuwählen? Wir können ein Modell auswählen, das zu einem höheren Wert des angepassten …

9 regression time-series model-selection aic bic

2

Beste Verwendung von LSTM für die Vorhersage von Sequenzereignissen

Nehmen Sie die folgende eindimensionale Sequenz an: A, B, C, Z, B, B, #, C, C, C, V, $, W, A, % ... Buchstaben A, B, C, ..hier repräsentieren "gewöhnliche" Ereignisse. Symbole stehen #, $, %, ...hier für "besondere" Ereignisse Der zeitliche Abstand zwischen allen Ereignissen ist ungleichmäßig (von Sekunden …

9 time-series deep-learning rare-events lstm sequential-pattern-mining

2

Interpretation und Durchführung von Prognosen mit dem tsoutliers-Paket und auto.arima

Ich habe monatliche Daten von 1993 bis 2015 und möchte diese Daten prognostizieren. Ich habe das tsoutliers-Paket verwendet, um die Ausreißer zu erkennen, aber ich weiß nicht, wie ich mit meinen Daten weiter prognostizieren soll. Das ist mein Code: product.outlier<-tso(product,types=c("AO","LS","TC")) plot(product.outlier) Dies ist meine Ausgabe vom tsoutliers-Paket ARIMA(0,1,0)(0,0,1)[12] Coefficients: sma1 …

9 r time-series forecasting arima outliers

3

R saisonale Zeitreihen

Ich benutze die decomposeFunktion in Rund überlege mir die 3 Komponenten meiner monatlichen Zeitreihen (Trend, Saison und Zufall). Wenn ich das Diagramm zeichne oder auf die Tabelle schaue, kann ich deutlich sehen, dass die Zeitreihe von der Saisonalität beeinflusst wird. Wenn ich jedoch die Zeitreihen auf die 11 saisonalen Dummy-Variablen …

9 r regression time-series

1

Was macht PCA mit autokorrelierten Daten?

Nur weil ein Korrespondent eine interessante Frage zu Methoden zur Berechnung der Autokorrelation stellte, begann ich damit zu spielen, fast ohne Kenntnis von Zeitreihen und Autokorrelation. Der Korrespondent ordnete seine Daten ( Datenpunkte einer Zeitreihe) jeweils um eine Zeitverzögerung so an, dass er eine Matrix von 32 × 32 Daten …

9 time-series pca

3

Erkennung von Zeitreihenanomalien mit Python

Ich muss die Anomalieerkennung für mehrere Zeitreihendatensätze implementieren. Ich habe das noch nie gemacht und hoffte auf einen Rat. Ich bin mit Python sehr vertraut, daher würde ich es vorziehen, wenn die Lösung darin implementiert wird (der größte Teil meines Codes ist Python für andere Teile meiner Arbeit). Beschreibung der …

9 machine-learning time-series python computational-statistics anomaly-detection

Als «time-series» getaggte Fragen